Nível Fundamentos | Engenharia de Agentes IA 2.0

Módulos do Nível Fundamentos

Complete os 3 módulos abaixo para dominar os fundamentos de agentes de IA

🧠

Módulo 01

Fundamentos de IA Generativa

⏱️ 6 horas 📝 10k palavras 🎯 Iniciante

Base sólida em LLMs, transformers e conceitos essenciais de IA generativa. Entenda como funcionam os modelos de linguagem, arquitetura Transformer, tokenização, embeddings e multimodalidade.

O que você vai aprender:

O que você aprenderá:

Entenda a arquitetura revolucionária que tornou os LLMs possíveis. Você vai dominar:
- Self-Attention: Como o modelo "presta atenção" em diferentes partes do texto
- Multi-Head Attention: Por que múltiplas "cabeças" de atenção são importantes
- Encoders vs Decoders: Diferenças entre BERT, GPT e modelos encoder-decoder
- Positional Encoding: Como o modelo entende a ordem das palavras
💡 Exemplo prático: Você verá como o GPT decide qual palavra vem a seguir analisando todo o contexto anterior usando atenção.
O que você aprenderá:

Descubra como texto vira números que a IA entende:
- Tokenização: Como "Olá mundo" vira [42, 156] para a IA processar
- Vocabulário: Por que GPT-4 tem 100k+ tokens e o que isso significa
- Embeddings: Vetores de 768 ou 1536 dimensões que representam significado
- Similaridade semântica: Como calcular que "rei" - "homem" + "mulher" ≈ "rainha"
⚡ Você vai fazer: Calcular embeddings de frases e medir similaridade entre conceitos usando código Python real.
O que você aprenderá:

Domine os controles que mudam completamente o comportamento da IA:
- Temperature (0.0-2.0): Controla criatividade vs consistência
  - 0.0 = Determinístico (sempre mesma resposta)
  - 0.7 = Balanceado (padrão recomendado)
  - 1.5+ = Criativo/imprevisível
- Top-p (nucleus sampling): Limita escolhas às mais prováveis
- Top-k: Considera apenas as k palavras mais prováveis
- Max tokens: Limita tamanho da resposta
🎯 Caso real: Por que chatbots usam temperature=0.7 mas código precisa de 0.0.
O que você aprenderá:

Explore modelos que vão além do texto:
- Visão + Linguagem: GPT-4 Vision, Claude 3 Sonnet analisando imagens
- Áudio: Whisper (speech-to-text), modelos text-to-speech
- Vídeo: Sora (OpenAI), modelos que entendem frames temporais
- Fusion: Como diferentes modalidades são combinadas em um único modelo
🔥 Tendência: Modelos nativamente multimodais serão o padrão. Você aprenderá a trabalhar com eles hoje.
O que você aprenderá:

Entenda a jornada que nos trouxe até aqui:
- 2017: Transformer original ("Attention is All You Need")
- 2018: BERT e GPT-1 mudam o jogo
- 2020: GPT-3 com 175B parâmetros choca o mundo
- 2022: ChatGPT torna IA mainstream
- 2023-2024: Claude 3, GPT-4, Gemini e a explosão atual
- 2025+: Para onde estamos indo?
📚 Contexto: Por que entender a história ajuda você a prever o futuro e tomar melhores decisões técnicas.

Começar Módulo 1

✍️

Módulo 02

Engenharia de Prompts Avançada

⏱️ 7 horas 📝 15k palavras 🎯 Iniciante-Intermediário

Técnicas avançadas: Chain-of-Thought, Self-Consistency, Tree of Thoughts, ReAct e meta-prompting. Aprenda a programar com linguagem natural.

O que você vai aprender:

O que você aprenderá:

Domine os 4 elementos essenciais de prompts eficazes:
- Persona: "Você é um especialista em marketing digital com 10 anos de experiência..."
- Contexto: Forneça informações de background que a IA precisa conhecer
- Tarefa: Instrução clara e específica do que fazer
- Formato: Como estruturar a resposta (JSON, tabela, bullet points)
📐 Framework: P-C-T-F (Persona-Context-Task-Format) para criar prompts profissionais consistentemente.
O que você aprenderá:
- Zero-Shot: Tarefas sem exemplos - "Traduza isso para inglês"
- Few-Shot: Fornecer 2-5 exemplos para guiar o modelo
  - Exemplo 1: Input → Output
  - Exemplo 2: Input → Output
  - Agora seu input: ?
- Chain-of-Thought (CoT): "Pense passo a passo" para raciocínio complexo
🎯 Caso de uso: CoT aumenta precisão em problemas matemáticos de 20% para 85%+.
O que você aprenderá:
- Self-Consistency: Gerar múltiplas respostas e escolher a mais comum (voting)
- Tree of Thoughts (ToT): Explorar múltiplos caminhos de raciocínio simultaneamente
- ReAct (Reasoning + Acting): Combinar raciocínio com ações (usar ferramentas)
  - Thought: "Preciso buscar dados atualizados"
  - Action: search("GDP Brasil 2024")
  - Observation: "R$ 2.1 trilhões"
  - Thought: "Agora posso responder..."
⚡ Poder: Essas técnicas transformam LLMs em "pensadores" muito mais sofisticados.
O que você aprenderá:

Meta-prompting: Usar a IA para melhorar seus próprios prompts!
- "Analise este prompt e sugira 5 melhorias específicas"
- "Reescreva este prompt para ser mais claro e eficaz"
- "Identifique ambiguidades neste prompt"
Engenharia sistemática:
- Medir qualidade de outputs (métricas)
- A/B testing de variações de prompts
- Criar bibliotecas de prompts reutilizáveis
- Versionamento e documentação
🔧 Ferramentas: LangSmith, PromptLayer, Weights & Biases para otimização.
O que você aprenderá:

Problemas comuns e soluções:
- Output inconsistente? → Reduza temperature, seja mais específico
- Alucinações (inventa fatos)? → Adicione "responda apenas com informações fornecidas"
- Formato errado? → Use exemplos + validação de schema
- Muito verboso? → "Seja conciso. Máximo 3 frases."
Técnicas de otimização:
- Iteração: testar → medir → ajustar → repetir
- Simplificação: remover palavras desnecessárias
- Constraints: limites explícitos (tamanho, tom, formato)
📊 Métricas: Precisão, tempo de resposta, custo, consistência.

Começar Módulo 2

🔗

Módulo 03

LangChain para Agentes

⏱️ 8 horas 📝 18k palavras 🎯 Intermediário

Domine LangChain: RAG, Agents, Memory, Tools e aplicações práticas completas. O framework essencial para criar agentes inteligentes.

O que você vai aprender:

O que você aprenderá:

Entenda a estrutura modular do LangChain:
- Models: Interface unificada para GPT-4, Claude, Llama, etc
- Prompts: Templates gerenciáveis e versionáveis
- Chains: Sequências de operações (LLMChain, SequentialChain)
- Agents: Sistemas que tomam decisões e usam ferramentas
- Memory: Armazenamento de conversas e contexto
- Callbacks: Hooks para logging e monitoramento
🏗️ Arquitetura: Design modular que permite compor aplicações complexas de IA.
O que você aprenderá:

Construa sistemas que respondem com seus próprios dados:
- Document Loaders: Carregar PDFs, CSVs, websites, APIs
- Text Splitters: Dividir documentos grandes em chunks inteligentes
- Vector Stores: Pinecone, Chroma, FAISS para busca semântica
- Retrievers: Buscar os documentos mais relevantes
- Chain: Combinar retrieval + LLM para responder com contexto
🎯 Projeto: Chatbot que responde perguntas sobre seus documentos privados com 95%+ de precisão.
O que você aprenderá:

Agentes ReAct:
- Ciclo: Observation → Thought → Action → Repeat
- O agente decide quais tools usar dinamicamente
- Pode encadear múltiplas ações para resolver problemas complexos
Sistemas de Memória:
- ConversationBufferMemory: Guardar histórico completo
- ConversationSummaryMemory: Resumir conversas longas
- VectorStoreMemory: Busca semântica em memórias antigas
- EntityMemory: Lembrar fatos sobre pessoas/coisas específicas
💡 Uso: Chatbots que lembram de conversas anteriores e mantêm contexto.
O que você aprenderá:

Dar superpoderes aos seus agentes com ferramentas customizadas:
- @tool decorator: Transformar funções Python em ferramentas LangChain
- Descrição clara: Como o agente entende quando usar a ferramenta
- Validação de entrada: Pydantic schemas para segurança
- Error handling: Lidar com falhas gracefully
Exemplos práticos:
- Tool de cálculo avançado
- Tool de busca em banco de dados
- Tool de envio de emails/notificações
- Tool de geração de gráficos
🔧 Poder: Conectar agentes a qualquer API ou sistema que você imaginar!
O que você aprenderá:

Tipos de Chains:
- SimpleSequentialChain: Output de uma chain vira input da próxima
- SequentialChain: Múltiplos inputs/outputs entre chains
- RouterChain: Escolher qual chain executar baseado no input
- MapReduceChain: Processar documentos em paralelo e combinar resultados
Orquestração avançada:
- Criar pipelines multi-step complexos
- Combinar RAG + Agents + Memory
- Paralelização para performance
- Error recovery e retry logic
🚀 Aplicação: Sistemas de IA de nível enterprise que orquestram múltiplas operações complexas.

Começar Módulo 3

Pronto para o Próximo Nível?

Após completar o Nível Fundamentos, continue sua jornada com o Nível Aplicação

⚡ Ir para Nível Aplicação